用清晰语言解释新一代信息发现。

以生成式回答替代链接列表的 AI 系统，如 ChatGPT、Perplexity、Gemini。

相关 AI 回答的引用来源中属于你的页面/域名的比例。

提及率是「品牌被点名的回答」占「已测回答」的比例。分母是完成的回答，不是提出的问题：模型没答上来的那次，对正反两面都不构成证据，必须剔除。

声量份额是某个品牌在一组固定回答里，占全部品牌提及的比例。只有把回答中点名的每一个品牌都按同一口径计数（包括从来不在你竞品名单上的那些），这个数字才成立。

引用是 AI 回答内部指向某个具体 URL 的来源标注。它不等于检索候选：助手通常会检索十几个甚至更多页面，但只在写出来的正文里标注其中几个。

被引域名是 AI 回答引用为来源的网站。把引用按域名、以及按域名类型（社区、目录站、媒体、品牌官网、研究机构）分组，就能看出答案引擎对一个品类的认知是从哪里来的。

可抽取性指的是：机器从一个页面里取出一句正确、自足的陈述有多容易。它取决于页面是否以真实 HTML 提供、标题是否与所回答的问题对应、段落是否能脱离上下文独立成立。

结构化数据是嵌在页面里的机器可读数据，通常用 JSON-LD 表达，用一套固定词汇说明这个页面讲的是什么：一个机构、一件商品、一个价格、一位作者、一个日期。它不改变人看到的内容。

实体是机器视为「同一个可识别主体」的东西：一家公司、一件商品、一个人。当足够多相互独立的来源用一致的名称、域名与品类描述同一个对象时，品牌才成为一个实体。

知识图谱是把实体及其关系结构化存放的库。像 Wikidata 这样的公开图谱会被很多系统读取，因此在那里有一条记录，对品牌如何被识别的影响远超它自身所在的站点。

幻觉是模型说得很有把握、却没有任何来源支撑的陈述。对品牌而言，常见形态不是凭空捏造，而是一个看似合理的错误细节：过时的价格、其实属于竞品的功能、你早已退出的市场。

买家问题是真实买家会输入给助手的一个完整、自然的问题，比如「在某个处境下该选哪一个」。它是 GEO 的测量单位，而不是关键词：关键词是片段，买家问题是带处境的句子。

问题集是品牌长期追踪的那份固定买家问题清单。它是每一个可见度百分比背后的分母——所以悄悄改动它，就等于让它所在的那条趋势线失效。

购买意图指的是提问者正试图决定什么：了解品类、比较选项、判断值不值、验证是否可信，还是现在就选定买什么。在 GEO 里，它被标注在每一道追踪问题上，这样结果就能按决策阶段来读。

自指问题是题面里就含有品牌自身名字的问题，比如「某某公司靠不靠谱」。你刚点了名，助手当然会提到它——所以这类问题无法衡量品牌是否会自己浮现。

未测量是指某个「问题 × 模型」的组合没有采集到回答；零是指采集到了回答、而品牌不在其中。把前者渲染成后者，等于把「缺少证据」变成了「反面证据」。

测量口径是一个可见度数字背后那组固定的选择：用哪些引擎、用哪个问题集、是否开启联网检索、什么算作一次提及。改动其中任何一项，改的是尺子，不是被测量的东西。

品牌归一化是把回答里同一品牌的不同写法归到同一个实体：大小写、标点、法律后缀、以及用产品线名代替公司名。不做归一化，同一个品牌会在声量份额表里变成好几行。

情感倾向指的是：回答在点名一个品牌时对它有多正面——毫无保留地推荐、带着保留地提及，还是把它列为应当避开的选项。它与「是否被点名」是两回事。

零点击指的是：用户不访问任何来源就得到了想要的东西。在答案引擎的语境里，这是常态而非例外，因为那段回答本身就是产品。

内容新鲜度指的是页面最近一次发布或实质更新是什么时候，以及这个日期是否以机器可读的形式写明。当一道问题隐含「要当前答案」时，检索系统会使用时效信号。

来源广度指的是：答案引擎在某个品类里取材于多少个不同域名、多少种类型的域名。它用「某域名被多少道不同问题引用」来衡量，而不是原始引用次数。

回答形态是助手为一次回复选择的结构：排了序的具名选项列表、未排序的列表，或是完全不点名的建议。它是问题与引擎的属性，不属于任何品牌。

竞品集是你认为可替代自己的品牌清单。在 AI 测量里，它应当只是报告的输入，绝不能成为「决定回答里哪些品牌被计数」的过滤器。

品牌在 AI 回答中被提及与引用的程度。

大模型用于抓取网页的爬虫，如 GPTBot、PerplexityBot、ClaudeBot。放行它们是被引用的前提。

AEO（答案引擎优化）是让答案引擎能从你的内容里抽出一段正确、自足的答案，并把这段答案归给你。它与 GEO 高度重叠；若要区分，AEO 更强调「可被抽取的答案块」，GEO 更强调「品牌是否被点名、被推荐」。

AI 概览是 Google 在部分查询的传统结果之上生成的摘要，并附有支撑来源的链接。它出现在搜索结果页内部而非聊天界面里，因此是最可能影响现有搜索流量的那个答案界面。

AI 引荐流量是从助手界面进来的访问，在分析工具里可通过 chatgpt.com、perplexity.ai 这类来源主机识别。它只是曝光的一小部分，因为多数回答被读完时并没有点击。

E-E-A-T 是 Google 用来描述其评估者在内容中寻找的品质：亲身经验、专业性、权威性与可信度。它是质量准则而非可计算的分数，出现时间也远早于答案引擎。

FAQ 结构化数据是页面上的 FAQPage 标注，标出一组问题及其答案。它把「问题形状、已切好」的块直接交给答案引擎，而不是让它去推断一段答案从哪开始、到哪结束。

让品牌在 AI 生成式回答中被提及、引用、推荐的优化方法。

GPTBot 是 OpenAI 用于收集网页内容的爬虫。与它并列的还有职责不同的其他代理，例如用于搜索索引的 OAI-SearchBot、由用户请求触发抓取的 ChatGPT-User；其他厂商也各有一套，如 PerplexityBot、ClaudeBot、Google-Extended。

Grounding 是把模型的回答与检索到的文档连接起来，让它的说法可以追溯到来源，而不只是凭记忆。开启 grounding 时，回答通常带引用；关闭时，模型靠训练时吸收的内容作答。

站点根目录、面向大模型的内容索引文件（新兴标准）。

LLMO（大模型优化）是「影响语言模型如何表征一个品牌」的统称，既包含模型训练时吸收的内容，也包含它回答时检索到的内容。实际上公开的 LLMO 建议大多只讲检索这一半，因为只有这一半是本季度就能影响的。

robots.txt 是站点根目录下的一个文件，声明哪些爬虫可以抓取哪些路径。它是「守规矩的爬虫会遵守的声明」，不是强制手段，也完全不涉及页面被抓走之后会发生什么。

RAG 是这样一种模式：先检索与问题相关的文档，把它们作为上下文交给模型，模型再写出回答。多数会展示来源的答案引擎，做的都是某种形式的 RAG。